Inicio AVNET Abacus Por qué la inteligencia artificial y el diseño embebido comparten el mismo...

Por qué la inteligencia artificial y el diseño embebido comparten el mismo ADN

2283
0

Artículo sobre la inteligencia artificial escrito por Philip Ling, Senior Technology Writer de AVNET Abacus

La posibilidad de cambio siempre está a la vuelta de la esquina. Ahora mismo, se encuentra en forma de aprendizaje automático (machine learningML). No es una exageración decir que la inteligencia artificial (IA) tiene influencia en cada aspecto del mundo moderno. El alcance de dicha influencia variará, al igual que el tipo de IA. El ML es un subconjunto de la IA, con limitaciones reconocidas. Sin embargo, estas limitaciones significan que el ML requiere menos recursos. Esto hace que ML sea mucho más útil en aplicaciones en el borde (edge). Detectar una palabra de activación es un buen ejemplo.

La AI involucra a algoritmos complejos. El entrenamiento de modelos de ML normalmente se lleva a cabo en la nube (cloud) y se gestiona mediante hardware potente, como procesadores gráficos (GPU), con acceso a una gran cantidad de memoria rápida. Ejecutar muchos modelos entrenados en la nube tiene sentido si se pueden ampliar los recursos de la nube para satisfacer la demanda. Estos recursos de la nube necesarios para realizar millones de instancias de esos modelos de ML entrenados superarían con creces los recursos requeridos para entrenar el modelo original.

Por lo tanto, ejecutar esos modelos de ML en el borde, resulta atractivo para los proveedores de servicios en la nube. Aquí podemos destacar los altavoces inteligentes como ejemplo. La palabra de activación se puede gestionar en el borde por el ML, mientras que la inteligencia artificial que ofrece el reconocimiento de voz se aloja en la nube.

Por qué la inteligencia artificial y el diseño embebido comparten el mismo ADN
Los tensores ofrecen la base para la IA y el ML, desde el núcleo al borde.

En palabras sencillas, ejecutar un modelo de ML en un sistema embebido presenta los mismos desafíos que siempre ha tenido hacer cosas inteligentes en plataformas restringidas. Los detalles, en este caso el modelo, cambian, pero lo básico es lo mismo. Los ingenieros tienen que seleccionar la arquitectura de procesamiento correcta, ajustar la aplicación al tipo y cantidad de memoria disponible y mantener todo dentro de un suministro eléctrico ajustado.

Aquí, la principal diferencia es la clase de procesamiento requerida. ML conlleva matemáticas intensivas, en particular, matemáticas multidimensionales. Los modelos de ML son redes neuronales entrenadas que, básicamente, son matrices multidimensionales o tensores. Manejar los datos almacenados en tensores resulta fundamental para el aprendizaje automático. El reto es la manipulación eficiente de los tensores dentro de las limitaciones de un sistema embebido.

Del conjunto de datos al modelo entrenado

Los tensores son los principales bloques de construcción de la inteligencia artificial. A menudo, los conjuntos de datos de entrenamiento se proporcionan como un tensor y se utilizan para entrenar modelos. Un conjunto de datos para un sensor de movimiento podría codificar las coordenadas “x”, “y” y “z”, así como la aceleración. Cada caso es etiquetado para indicar qué dato concreto representa. Por ejemplo, una caída generará un tipo de dato consistente, pero variable. El conjunto de datos etiquetado se emplea para entrenar un modelo de ML.

Una red neuronal consta de capas. Cada capa ofrece un paso más hacia una decisión. Las capas de una red neuronal también pueden tomar la forma de un tensor. En una red “sin entrenamiento”, todas las conexiones entre las capas son aleatorias. El ajuste de estas conexiones crea un modelo entrenado.

El entrenamiento conlleva el cambio del peso de las conexiones entre los nodos de las capas de la red neuronal. Los pesos varían en función de los resultados de minar las conexiones en el conjunto de datos. Por ejemplo, el modelo puede aprender a reconocer cómo se ve una caída mediante la comparación de las características comunes que detecta en un conjunto de datos.

El tensor de un conjunto de datos entrenado podría codificar múltiples casos de datos de sensor de movimiento. Algunos de los ejemplos se etiquetarán como una caída. Encontrar las conexiones entre las instancias etiquetadas como caída crea la inteligencia.


SERVICIO AL LECTOR gratuito para ampliar info de este producto

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.